Современные методы цифровизированной оценки качества плодоовощной продукции

Метод на основе применения цветных телевизионных датчиков. Плоды, вращаясь на конвейере, снимаются камерами с разных ракурсов. Программное обеспечение анализирует цвет каждого пикселя изображения (в RGB), сравнивая его с эталоном. Обнаруженные отклонения (пятна, вмятины, признаки болезней) маркируются как дефекты. Для классификации используется линейная нейросеть, обученная на обширной базе изображений с дефектами.

Рисунок 1- Схема стенда для исследования полноцветных изображений поверхности продукции: 1-корпус; 2-подставка; 3- осветители; 4-видеокамера; 5 - компьютер; 6программное обеспечение; 7-исследуемый плод; 8-пятно повреждения.

Метод на основе гиперспектрального анализа. Он регистрирует непрерывный спектр в диапазоне 400-1000 нм. Это позволяет получать обогащённые данные не только о цвете поверхности, но и о структурных и физиологических изменениях тканей, невидимых для человеческого глаза [3].

Рисунок 2 - Функциональная схема информационно-измерительной системы контроля качества яблок и макета для их сортировки: 1-конвейер; 2-плоды; 3-камера; 4-система гиперспектрального сканирования; 5-персональный компьютер; 6-ПЛК; 7-актюатор устройства отбраковки; 8-частотный преобразователь; 9-привод конвейера (моторредуктор); 10-емкость для пригодной продукции; 11-емкость дефектной продукции.; 12- датчик скорости.

Метод реализован с помощью специализированной измерительной системы, включающей гиперспектральную камеру, блок сканирования, модуль управления и механизм отбраковки. При движении по конвейеру камера формирует гиперспектральный куб — трёхмерный массив данных с пространственными и спектральными осями. Это позволяет фиксировать отклик тканей в сотнях узких спектральных диапазонов, создавая детализированный профиль отражательных свойств объекта.

Рисунок 3 – Схема приставки к спектрофотометру СФ-26 для измерения коэффициентов отражения поверхности яблок: 1-световод, 2-общий конец световода, 3-бленда, 4-объект измерения (яблоко), 5-приемный отводок световода, 6-щель спектрофотометра СФ-26, 7- выходной отводок световода, 8-фотоэлемент СФ-26, 9-приспособление для крепления общего конца световода, 10-прижимное устройство объекта измерения, 11-фиксирующее устройство приемного отводка световода, 12-фиксирующее устройство выходного отводка световода, 13-кюветное отделение СФ-26.

Электрические и оптические методы контроля качества. Суть метода заключается в гибридном подходе к неразрушающему контролю качества плодов, сочетающий электрические и оптические измерения. Он направлен не на сортировку по внешним признакам, а на раннее выявление процессов старения, потери тургора и внутренних метаболических изменений, критически важных при хранении и транспортировке фруктов. В основе метода лежат два взаимодополняющих диагностических канала: измерение электрического сопротивления тканей; анализ отражательных и флуоресцентных характеристик кожуры.

Рисунок 4 – Функциональная схема устройства для контроля степени зрелости плодов: 1 – объект исследования, 2 – светофильтр, 3 – управляемый источник питания СД (светодиода, типа ARPL-3W-EPL40), 4 – усилитель для ФД (фотодиода, типа ФД-7К), 5 – микроконтроллер, 6 – компьютер.

Оптический метод [4] на основе флуоресценции хлорофилла. Метод основан на регистрации флуоресценции хлорофилла. При облучении плода светом определённой длины волны хлорофилл поглощает фотоны и испускает флуоресцентный сигнал в красном и ближнем инфракрасном диапазонах (685 и 735 нм). Интенсивность этого сигнала отражает функциональное состояние фотосинтетического аппарата и позволяет оценить степень зрелости.

Исходя из проведённого анализа перспективным представляется:

Система технического зрения для распознавания дефектов плодов. Система технического зрения (СТЗ) [5] играет ключевую роль в автоматизации сортировки плодов, позволяя анализировать форму, цвет, размер и поверхностные дефекты. Эти системы исключают субъективный человеческий фактор и особенно важны для производства консервантов, где качество сырья напрямую определяет вкус и срок хранения продукта.

Метод использует комплекс камер и алгоритмы глубокого обучения для классификации внешних дефектов. Однако, несмотря на преимущества СТЗ имеет ряд ограничений, она: не способна оценить внутренние повреждения плодов; чрезмерно отбраковывает яблоки с незначительными дефектами кожуры; не подходит для точной оценки степени поражения гнилью.

Альтернативный подход со сверточной нейронной сетью - точность 96,88% - также имеет ограничения: не оценивает площадь повреждений; требует дообучения для новых сортов и дефектов; склонен к переобучению

I

Рисунок 5 – Схема конвейера-классификатора яблок. 1- конвейерная лента; 2 – камера технического зрения; 3 – персональный компьютер; 4 – лазерный датчик; 5 – исполнительный механизм; 6 – мотор-редуктор; 7 – плод.

Для преодоления перечисленных ограничений перспективным представляется: разработка методов интерпретации внешних дефектов как индикаторов внутренних повреждений; внедрение комплексного подхода, сочетающего сверточные нейронные сети с алгоритмами нечеткой логики; использование нечеткой логики для оценки степени повреждения в процентных диапазонах [7].

Для эффективной сортировки плодов разработать интеллектуальную систему, объединяющую: компьютерное зрение для анализа изображений; глубокое обучение для классификации дефектов; нечеткую логику для оценки степени повреждения.

Такой подход позволяет точно определять пригодность плодов для переработки, учитывая как внешние дефекты, так и возможные внутренние повреждения.

Разработан алгоритм, который на основе математического моделирования оценивает объем внутреннего повреждения плода гнилью по площади видимого дефекта.

Этапы алгоритма:

• -    анализ формы: По контуру плода определяются его габариты (R min , R max ) и 24

вычисляется средний радиус (R) для аппроксимации плода сферой.

• -    анализ дефекта: из маски повреждения извлекается его радиус (r) и расчетная высота (h) для моделирования дефекта в виде полусферы.

• -    комплексная оценка: рассчитывается площадь поврежденной поверхности (Sповр) и ее доля от общей площади (k S ); объем повреждения оценивается по двум моделям (полусфера и сферический сектор), а итоговое значение (V повр ) получают усреднением для повышения точности.

Рисунок 6 – Обобщенный алгоритм управления автоматизированной сортировкой

В конечном итоге алгоритм предоставляет две независимые характеристики — по площади (k S ) и по объему (k V ), что обеспечивает всестороннюю оценку для точной сортировки продукции.

При обучении нейронной сети на языке программирования Phyton могут быть использованы библиотеки OpenCV-Python, PIL (Pillow), NumPy, Scikit-image, которые применяются для цифрового анализа изображений.

Заключение. На основании проведенного анализа предложен алгоритм автоматизированной сортировки плодоовощной продукции для существующих методов. Установлено, что использование системы интеллектуального контроля, связывающей машинное зрение, статистические данные и средства обработки с использованием алгоритмов нечеткой логики, позволит значительно повысить качество хранящейся продукции, а также консервантов.